Methodes voor het leren van representaties maken het mogelijk machine learning algoritmen toe te passen op complex-gestructureerde data zoals sociale netwerken, beelden en spatiale data. Deze methoden spelen een belangrijke rol in de exploratieve analyse van dergelijke data alsook in het door data gedreven nemen van beslissingen. Deze thesis introduceert een nieuw mathematisch-principieel raamwerk voor het leren van representaties waarbij voorkennis van data meegenomen kan worden. The onderzoekshypothese is dat dit raamwerk het mogelijk maakt informatievere representaties af te leiden en ook het iteratief leren van informatieve representaties. Dit maakt vervolgens weer een nieuwe manier van human-in-the-loop data-exploratie mogelijk en verhoogd de algemene kwaliteit van machine learning modellen en voorspellingen. De onderzoekshypothese is gevalideerd door middel van empirische onderzoeken in een vijftal datawetenschapstaken waarvan de resultaten aanleiding geven tot een positief antwoord op de onderzoekshypothese. We verwachten dat de resultaten van dit onderzoek een brede impact zullen hebben op zowel het onderzoek als de praktijk van machine learning en datawetenschap.